面向地下矿井复杂场景的轻量化多尺度语义分割方法研究

本文提出了一种基于DeeplabV3+的轻量化矿井图像语义分割方法，通过采用MobileNetV2作为主干网络降低参数量，设计含混合池化模块的空洞空间金字塔（ASPMP）优化多尺度特征提取，并构建特征融合模块（FFM）增强小目标细节捕捉能力。实验表明该方法在CUMT-CMUID和Cityscapes数据集上实现了精度与效率的平衡。

　　

Highlight

本研究针对地下矿井复杂场景，提出了一种轻量级多尺度语义分割方法。通过优化DeeplabV3+架构，显著提升了小目标细节捕捉能力与实时性表现。

Deep learning methods for segmentation

语义分割在深度学习领域占据重要地位，全卷积网络（FCN）开创了端到端像素级预测的先河。然而传统方法存在上采样噪声问题，本研究通过改进解码器结构有效缓解了这一局限。

Proposed method

如图1所示，改进模型包含三大核心模块：

1）采用MobileNetV2主干网络，参数量降至原结构1/3；

2）设计空洞空间金字塔混合池化（ASPMP），通过优化空洞率提升狭长目标特征提取；

3）构建含通道注意力的特征融合模块（FFM），强化低层语义细节。

Experimental data and environment

实验采用中国矿业大学煤矿井下图像数据集（CUMT-CMUID），包含巷道、工作车间等典型场景。所有图像均经过专业标注，为模型训练提供高质量基准。

Conclusion

本方法通过轻量化设计和多尺度优化，在保证精度的同时显著提升运算效率，为智能矿山实时监控提供了可靠的技术方案。